A dual-branch typhoon-induced wave height forecasting network with tail-aware extreme value optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate forecasting of typhoon-induced wave height (WH), which supports timely evacuation and informed emergency responses, is essential for the effectiveness of early warning systems. Despite recent advances in deep learning for WH forecasting, a critical gap persists: current models often fail to reliably predict rare but catastrophic extreme WH under typhoon conditions due to data scarcity. To address this challenge, we propose a physics-guided multi-scale attention framework, named the typhoon-induced wave height network (TWHN), which adopts a dual-branch architecture that separately captures wind sea and swell features. Unlike architectures that rely on initial WH inputs, TWHN forecasts WH directly from historical wind fields, thereby reducing error accumulation and supporting predictions at future time steps. To enhance the representation of extreme WH events, we introduce a tail-aware extreme value optimization (TEVO) strategy, which integrates a progressive training scheme to shift model focus from global patterns to tail data and a quantile-aware hybrid loss to penalize underestimation of high-magnitude waves. Additionally, a feature distribution smoothing mechanism is employed to stabilize training in data-sparse regimes by mitigating feature dominance from frequent samples. The model is trained, validated, and tested on WH records from 1982 to 2022, using a reanalysis dataset that includes 1 060 typhoons in the Northwest Pacific. Evaluation based on regional fields and nearshore station comparisons suggests that TWHN maintains strong potential for forecasting high-impact typhoon wave events. This work may provide implications for the advancement of operational wave forecasting and the support of risk decision-making in response to typhoon-induced marine hazards.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle